Face aux problèmes rencontrés par les réseaux convolutifs dans la détection de changements, tels que le champ réceptif limité, le manque d'interactions des caractéristiques entre couches et la difficulté de modéliser les dépendances contextuelles à longue portée, cet article propose un modèle de détection de changements CTDFFNet basé sur la fusion des caractéristiques de différence via un Cross-Transformer. Tout d'abord, le réseau ResNet18 est utilisé pour construire une représentation locale multi-échelles des caractéristiques, combinée avec le module Cross-Transformer pour apprendre des représentations des différences afin d'assurer une perception globale du contexte et une interaction multi-niveaux des caractéristiques, renforçant ainsi la sensibilité du modèle aux changements dans des scènes complexes ; ensuite, la partie décodage utilise une structure de connexions denses pour assurer une transmission multipath des caractéristiques et une utilisation complète des informations, tout en atténuant la disparition du gradient ; enfin, un module d’amélioration adaptative des canaux ACEM ajuste dynamiquement les poids des canaux pour renforcer la représentation des caractéristiques clés, et une couche Sigmoid génère la carte finale des changements. Pour valider l’efficacité de la méthode, des expériences ont été menées sur trois jeux de données de détection de changements : LEVIR-CD, CDD et WHU-CD. Les résultats quantitatifs montrent que CTDFFNet atteint les meilleurs indicateurs de précision sur les trois jeux de données, avec des scores F1 de 91,52%, 95,83% et 93,02% respectivement. De plus, les résultats visuels démontrent que CTDFFNet résiste efficacement aux interférences telles que les arrière-plans complexes, les ombres et les variations d’éclairage, améliorant nettement la détection et la reconnaissance d’objets à différentes échelles.

détection des changements;apprentissage profond;Cross-Transformer;mécanisme d'attention croisée;amélioration adaptative des canaux